KI-Glossar von A bis Z

Werbehinweis: Die Produktliste rechts enthält Affiliate-Links (Anzeige). Wenn du darüber kaufst, erhalte ich eine kleine Provision. Die Inhalte bleiben davon unabhängig.

Die wichtigsten Begriffe aus der KI-Welt, kurz erklärt und alphabetisch sortiert.

Aktivierungsfunktion: Rechenregel in einem Neuron, die entscheidet, wie stark es nach seiner Eingabe „feuert“. Sie macht Netze erst fähig, komplexe Zusammenhänge zu lernen.
AGI (Allgemeine KI): Hypothetisches System, das in beliebigen Aufgaben auf menschlichem Niveau arbeiten kann. Gibt es bisher nicht.
Algorithmus: Eindeutige Schrittfolge zur Lösung einer Aufgabe.
Attention (Aufmerksamkeit): Mechanismus in Transformern, der gewichtet, welche Teile der Eingabe für ein Token gerade wichtig sind.
Bias (Verzerrung): Systematische Schieflage in Daten oder Modell, die zu unfairen oder falschen Ergebnissen führt. Auch: Grundwert in einem Neuron.
Deep Learning: Maschinelles Lernen mit tiefen neuronalen Netzen, also mit vielen Schichten.
Diffusionsmodell: Modelltyp, der Bilder erzeugt, indem er schrittweise Rauschen entfernt.
Few-Shot-Prompting: Im Prompt werden ein paar Beispiele für die gewünschte Antwort mitgegeben.
Feinabstimmung (Fine-Tuning): Nachtrainieren eines fertigen Modells auf speziellen Daten, damit es eine Aufgabe oder einen Stil besser trifft.
Generative KI: KI, die neue Inhalte erzeugt: Texte, Bilder, Audio, Video, Code.
Gewichte (Parameter): Die einstellbaren Zahlen eines Netzes. Beim Training werden sie angepasst. Sprachmodelle haben Milliarden davon.
GPU (Grafikprozessor): Chip, der sehr viele Rechnungen parallel ausführt. Zentral für Training und Betrieb großer Modelle.
Halluzination: Überzeugend klingende, aber erfundene oder falsche Ausgabe eines Modells.
Inferenz: Die Nutzung eines fertig trainierten Modells, also das Beantworten einer Anfrage.
Kontextfenster: Maximale Menge an Tokens, die ein Modell gleichzeitig berücksichtigen kann.
LLM (Large Language Model): Großes Sprachmodell, das mit riesigen Textmengen trainiert wurde.
Lernrate: Schrittgröße, mit der die Gewichte beim Training angepasst werden.
Maschinelles Lernen: Teilgebiet der KI: Systeme lernen Muster aus Daten, statt Regeln vorgegeben zu bekommen.
Modell: Das Ergebnis des Trainings: die Gesamtheit der gelernten Gewichte samt Struktur.
Überanpassung (Overfitting): Das Modell lernt Trainingsdaten auswendig und versagt bei neuen Daten.
Prompt: Eingabe oder Anweisung an eine KI.
Quantisierung: Verringerung der Zahlengenauigkeit eines Modells, damit es weniger Speicher braucht und schneller läuft.
RAG (Retrieval-Augmented Generation): Verfahren, bei dem passende Dokumente gesucht und dem Modell als Grundlage für die Antwort mitgegeben werden. Reduziert Halluzinationen.
Bestärkendes Lernen (Reinforcement Learning): Ein System lernt durch Ausprobieren und Belohnung.
Temperatur: Einstellung, wie zufällig ein Sprachmodell Tokens auswählt. Niedrig: konservativ, hoch: kreativer.
Token: Textbaustein, mit dem Sprachmodelle arbeiten. Oft ein Wort oder Wortteil.
Training: Phase, in der ein Modell anhand von Daten seine Gewichte lernt.
Transformer: Netzarchitektur auf Basis von Attention. Grundlage der meisten heutigen Sprachmodelle.
Überwachtes Lernen: Lernen aus Beispielen mit bekannter richtiger Antwort.
Unüberwachtes Lernen: Lernen aus Daten ohne vorgegebene Antworten, zum Beispiel um Gruppen zu finden.